XiaoMi-AI文件搜索系统
World File Search System脑部
色氨酸Kynurenine途径基于脑部疾病和肿瘤学的基于基于肿瘤的成像剂至床边
摘要：基于色氨酸（TRP）的放射性示踪剂具有出色的可能成像的大脑病理学的潜力，因为它们涉及血清素和Kynurenine（Kyn）途径。然而，针对Kynurenine代谢途径特有的放射性示例受到限制。此外，历史上基于TRP的放射性药物与短寿命的同位素碳11合成。正在开发一种新一代的基于TRP的成像剂，它正在开发较长的半寿命和市售的同位素，例如氟-18和碘-124。在临床前研究中，已证明新开发的基于氨基酸的示踪剂具有有利的放射化学和成像特征。但是，Kyn途径特异性放射性示例的临床翻译中仍然存在许多障碍。
放大后诊断：模仿医生阅读习惯的多标签分类模型来诊断脑部疾病
图 1：有些疾病很容易误诊，这需要观察和考虑相邻的图像。在这张 CT 扫描中，我们需要观察相邻的图像来区分出血点或钙化。如果不放大图像，很容易忽略硬膜下出血。
用于脑部疾病分类和预测的机器学习：最新进展和即将到来的挑战
综述目的。机器学习 (ML) 是一种人工智能技术，允许计算机执行任务而无需明确编程。ML 可用于辅助诊断和预后脑部疾病。虽然最早的论文可以追溯到十多年前，但研究增长速度非常快。最新发现。最近使用 ML 进行诊断的研究已经从对特定疾病与对照的分类转变为鉴别诊断。大量研究致力于预测未来的患者状态。虽然许多早期研究都集中在神经影像作为数据源，但目前的趋势是多模式的整合。在目标疾病方面，痴呆症仍然占主导地位，但已经开发出针对各种神经和精神疾病的方法。总结。ML 在辅助诊断和预后脑部疾病方面非常有前景。尽管如此，我们认为，社区在将这些工具纳入临床常规方面仍有关键挑战需要解决：需要更广泛地采用有关验证和可重复研究的良好实践；需要广泛的泛化研究；需要可解释的模型来克服黑箱方法的局限性。关键词：人工智能；机器学习；转化研究；分类；预测 重点
干涉测量超高分辨率3D成像通过脑部
1美国北京技术学院，北京技术研究所，北京100081，北京技术研究所的光学和光子学院，西拉顿大学生物医学工程学院 美国印第安纳州西拉斐特市普渡大学神经科学6，美国6号癌症研究所，普渡大学，西部拉斐特，美国，美国，†这些作者同等贡献：hao-cheng gao，fan Xu美国印第安纳州西拉斐特市普渡大学神经科学6，美国6号癌症研究所，普渡大学，西部拉斐特，美国，美国，†这些作者同等贡献：hao-cheng gao，fan Xu美国印第安纳州西拉斐特市普渡大学神经科学6，美国6号癌症研究所，普渡大学，西部拉斐特，美国，美国，†这些作者同等贡献：hao-cheng gao，fan Xu美国印第安纳州西拉斐特市普渡大学神经科学6，美国6号癌症研究所，普渡大学，西部拉斐特，美国，美国，†这些作者同等贡献：hao-cheng gao，fan Xu美国印第安纳州西拉斐特市普渡大学神经科学6，美国6号癌症研究所，普渡大学，西部拉斐特，美国，美国，†这些作者同等贡献：hao-cheng gao，fan Xu美国印第安纳州西拉斐特市普渡大学神经科学6，美国6号癌症研究所，普渡大学，西部拉斐特，美国，美国，†这些作者同等贡献：hao-cheng gao，fan Xu
胎儿脑部 MRI 的回顾性运动估计
自 20 世纪 80 年代以来，磁共振成像 (MRI) 就已用于研究发育中的胎儿大脑。然而，运动 (母亲和胎儿的) 一直是一个真正的挑战，限制了所获取图像的探索能力。在产前成像中，大脑的完整图像实际上是一堆 2D 切片。这些采集通常沿空间的三个轴进行，以便为放射科医生提供大脑的 3D“视觉”。切片的采集时间通常足够短 (少于 1 秒) 以“冻结”运动。因此，受试者的运动主要会引起几何失真伪影，即 2D 切片的堆叠不能直接反映大脑的 3D 几何形状。因此，有必要回顾性地估计运动以重建胎儿大脑的 3D 图像 [1]。胎儿数据重建的主要方法称为“切片到体积配准”的 SVR，该方法基于两个步骤：估计相对运动，然后融合数据 [2–4]。在产前成像的情况下，配准问题属于 2D-3D 类型，即我们必须估计切片和参考体积之间的运动。此参考体积也是我们想要重建的图像，因此是未知的。从对参考体积的首次估计，通过最小化当前切片和参考体积之间的对齐标准来估计每个切片的对齐。然后根据为每个切片估计的变换集重新计算后者。重建体积的质量在很大程度上取决于切片配准的质量。该过程以迭代方式重复，直到算法收敛。为了使这些方法对受试者的运动更具鲁棒性，已经开发了深度学习方法 [5,6]。然而，基于迭代重建的方法对于分析临床常规获取的大型图像数据库仍然不够稳健。因此，有必要检测出未对准的切片，以便不将它们包括在重建步骤中[7,8]或减少它们对重建的影响[9]。为了解决这个问题，一种解决方案是通过使用正交切片的交点并将它们的对应关系强加到 3D 交点 [10]，将切片的运动校正与重建步骤完全分开。这种方法可以独立解决切片运动校正和 3D 体积重建的问题。在本文中，我们开发了一种使用机器学习方法来估计与未对准切片检测相关的切片运动的方法。所提出的方法称为 ROSI，即“基于正交切片交点的配准”。对合成和真实数据进行的评估表明，与 SVR 方法相比，所提出的方法更有吸引力。
脑部疾病和化学污染物：间隙连接连接？
摘要：过去几十年来，脑病理的发生率有所增加。更好的诊断（自闭症谱系障碍）和更长的预期寿命（帕金森氏病，阿尔茨海默氏病）部分解释了这一增加，而新兴的数据表明污染物暴露是可能但仍低估的主要脑疾病原因。考虑到大脑实质富含间隙连接，大多数污染物都会抑制其功能；脑部疾病可能是由于长期暴露于污染物而导致的间隙变化改变的结果。在本文中，通过三个互补方面解决了这一假设：（1）脑实质及其功能中的间隙 - 连接性组织和连接性的表达； （2）主要污染物（农药，双苯酚A，邻苯二甲酸盐，重金属，空气颗粒等）的作用）在间隙 - 界面和连接素函数上； (3) a description of the major brain disorders categorized as neurodevelopmental (autism spectrum disorders, attention deficit hyperactivity disorders, epilepsy), neurobehavioral (migraines, major depressive disorders), neurodegenerative (Parkinson's and Alzheimer's diseases) and cancers (glioma), in which both connexin dysfunction and已经描述了污染物的参与。基于这些不同的方面，讨论了产前和产后暴露的污染物抑制剂间隙连接的可能参与。
评估胎儿脑部 MRI 重建的数据质量
1 CIBM – 瑞士生物医学成像中心 2 瑞士洛桑大学医院和洛桑大学诊断与介入放射学系 3 法国马赛艾克斯-马赛大学、法国国立科学研究院、拉蒂莫内神经科学研究所 4 瑞士洛桑 CHUV 妇女-母子系 5 西班牙巴塞罗那庞培法布拉大学 6 西班牙巴塞罗那大学 BCNatal 胎儿医学研究中心（圣琼德德乌医院和医院） 7 西班牙巴塞罗那 IDIBAPS 和 CIBERER 8 瑞士苏黎世大学苏黎世大学儿童医院 MR 研究中心 9 瑞士苏黎世大学苏黎世神经科学中心 10 瑞士苏黎世大学研究优先项目“发展和学习中的自适应脑回路”（AdaBD）
多中心胎儿脑部 MRI 的稳健质量控制系统
a CIBM – Center for Biomedical Imaging, Switzerland b Department of Diagnostic and Interventional Radiology, Lausanne University Hospital and University of Lausanne, Lausanne, Switzerland c BCNatal Fetal Medicine Research Center (Hospital Clínic and Hospital Sant Joan de Déu), Universitat de Barcelona, Spain d IDIBAPS and CIBERER, Barcelona, Spain e Department Woman-Mother-Child, CHUV, Lausanne, Switzerland f Aix-Marseille Université, CNRS, Institut de Neurosciences de La Timone, Marseilles, France g Center for MR Research, University Children's Hospital Zurich, University of Zurich, Zurich, Switzerland h Neuroscience Center Zurich, University of Zurich, Zurich, Switzerland i Research Priority Project Adaptive Brain Circuits in Development and Learning (AdaBD), University of Zürich, Zurich, Switzerland j Service de Neuroradiologie Diagnostique et Interventionnelle, Hôpital Timone, AP-HM, Marseilles, France
用于非侵入式脑部记录的无线、可扩展、模块化 EEG 传感器网络平台
摘要 — 本文介绍了一种用于可穿戴脑电图 (EEG) 记录的模块化传感平台。该平台被设想为无线 EEG 传感器网络 (WESN)，由多个微型无线 EEG 传感器节点组成，这些节点可同步收集来自不同头皮位置的 EEG 数据。由于不同传感器之间没有电线，该平台提供了最大的灵活性和离散性，同时降低了对运动伪影或电磁干扰的敏感度。通过移除驱动右腿 (DRL) 电极并将节点内电极间距减小到 3 厘米，我们获得了紧凑的设计，同时保持了高信号完整性。通过一系列实验验证了 WESN 系统：实现跨多个传感器节点的 EEG 数据传输同步以及在 EEG 实验中检测实际神经反应。这些结果证明了所提出的 WESN 平台的有效性和稳健性，使其成为一个有前途的研究平台，可用于在门诊环境中进行可扩展、灵活和离散的多通道 EEG 监测。
从减少剂量到最大化对比度：深度学习能否放大造影剂对脑部 MRI 图像质量的影响？一项读者研究
材料和方法 这项回顾性单中心研究考虑纳入 2019 年 11 月至 2021 年 3 月在 Gustave Roussy 癌症园区（法国维尔瑞夫）获取的共 250 张多参数脑 MRI。定义了独立的训练（107 例，年龄 55 岁±14 岁，58 名女性）和测试（79 例，年龄 59 岁±14 岁，41 名女性）样本。患者患有神经胶质瘤、脑转移、脑膜瘤或无增强病变。在所有病例中均获取了具有可变翻转角的梯度回波和涡轮自旋回波对比后 T1 序列。对于形成训练样本的病例，还获取了使用 0.025 mmol/kg 造影剂注射的“低剂量”对比后梯度回波 T1 图像。以标准剂量 T1 MRI 为参考，训练了一个深度神经网络来合成增强低剂量 T1 采集。训练完成后，对比增强网络用于处理测试梯度回波 T1 图像。然后由两名经验丰富的神经放射科医生进行读片，以评估原始和处理后的 T1 MRI 序列的对比增强和病变检测性能，以快速自旋回波序列为参考。结果对于增强病变的病例，处理后图像的对比噪声比（44.5 比 9.1 和 16.8，p<.001）、病变与脑组织比（1.66 比 1.31 和 1.44，p<.001）和对比增强百分比（112.4% 比 85.6% 和 92.2%，p<.001）均优于原始梯度回波和参考快速自旋回波 T1 序列。两位读者都更喜欢处理后的 T1 的整体图像质量（平均评分为 3.4/4 比 2.7/4，p<.001）。最后，对于大于 10 毫米的病变，所提出的处理方法将梯度回波 T1 MRI 的平均灵敏度从 88% 提高到 96%（p=.008*），而误检率则没有差异（两种情况下均为 0.02/例，p>.99）。考虑所有大于 5 毫米的病变时观察到了相同的效果：灵敏度从 70% 提高到 85%（p<.001*），而误检率保持相似（0.04/例 vs 0.06/例，p=.48）。如果包括所有病变，无论其大小如何，原始和处理后的 T1 图像的灵敏度分别为 59% 和 75%（p<.001*），相应的误检率为 0.05/例和 0.14/例（p=.06）。